1891 Arbeiten
Das Paper stellt TikZilla vor, ein Modell-Familie auf Basis kleiner Qwen-LLMs, die durch die Nutzung eines hochwertigen, vierfach vergrößerten Datensatzes (DaTikZ-V4) und eines zweistufigen Trainings mit überwachtem Fine-Tuning sowie bestärkendem Lernen (RL) mit semantischen Bild-Rückmeldungen die Text-zu-TikZ-Generierung so weit verbessern, dass sie GPT-4o übertrifft und mit GPT-5 gleichzieht.
Die Arbeit stellt TAO-Attack vor, eine neuartige, optimierungsbasierte Jailbreak-Methode für Large Language Models, die durch eine zweistufige Verlustfunktion und eine Richtungsprioritäts-Strategie die Erfolgsrate von Angriffen signifikant steigert und dabei Abweisungen sowie pseudo-schädliche Ausgaben effektiv minimiert.
Diese Arbeit stellt einen neuartigen Ansatz vor, der instruction-tuned Large Language Models mit kompakten Prompts nutzt, um die Erkennung argumentativer Komponenten als Sprachgenerierungsaufgabe zu formulieren und dabei State-of-the-Art-Ergebnisse auf Standard-Benchmarks zu erzielen.
Diese Arbeit zeigt, dass sich Sprechermerkmale wie Tonhöhe, Lautstärke und Formanten in einzelnen Dimensionen selbstüberwachter Sprachrepräsentationen (WavLM) isolieren lassen und durch gezielte Manipulation dieser Dimensionen in Syntheseanwendungen gesteuert werden können.
Die Studie zeigt, dass das Wechseln von Modellen in mehrstufigen LLM-Systemen zu signifikanten, systematischen Leistungsabweichungen führt, die durch eine neue Benchmark quantifiziert und durch die Zerlegung in Einfluss- und Anfälligkeitsterme überwacht werden können.
Die Arbeit stellt das UniSkill-Dataset vor, das manuell annotierte und synthetische Daten zur Zuordnung von Universitätskursen zu ESCO-Kompetenzen bereitstellt, und demonstriert anhand eines BERT-Modells mit 87 % F1-Score die Machbarkeit einer automatischen Kurs-Kompetenz-Matching-Lösung.
Die Studie stellt APRES vor, ein auf Large Language Models basierendes System, das wissenschaftliche Manuskripte automatisch anhand einer zitationsvorhersagenden Rubrik überarbeitet, um deren Qualität und zukünftige Wirkung zu steigern, ohne den wissenschaftlichen Kerngehalt zu verändern.
Die Autoren stellen eine typbewusste Retrieval-Augmented-Generation-Methode mit abhängigkeitsgeschlossenem Kontext vor, die zuverlässig ausführbare Optimierungsmodelle für industrielle Anwendungen generiert, indem sie eine domänenspezifische Wissensbasis mit mathematischen Abhängigkeiten nutzt, um die strukturellen Fehler herkömmlicher RAG-Ansätze zu vermeiden.
Die Arbeit stellt MoD-DPO vor, einen einfachen und effektiven Rahmen zur Reduzierung von cross-modalen Halluzinationen in omni-modalen Sprachmodellen durch modality-entschlüsselte Präferenzoptimierung, der die Wahrnehmungsgenauigkeit verbessert und die Überabhängigkeit von textuellen Priors verringert.
Die Arbeit stellt BeyondSWE vor, ein umfassendes Benchmark-System, das die aktuellen Grenzen von Code-Agenten bei komplexen, realen Aufgaben über einzelne Repositorien hinaus aufzeigt, und untersucht mit dem Framework SearchSWE, dass Suchvervollständigungen die Leistung nicht konsistent verbessern.
Der Bericht stellt ACE-Brain-0 vor, ein universelles multimodales Sprachmodell, das räumliche Intelligenz als gemeinsame Grundlage nutzt und durch ein Scaffold-Specialize-Reconcile-Verfahren sowie GRPO-Optimierung eine state-of-the-art Leistung über diverse Embodiments hinweg ermöglicht.
Das Paper stellt MOSAIC vor, ein Nachtrainierungsframework, das Agentic-Modelle durch explizite Sicherheitsentscheidungen und präferenzbasiertes Reinforcement Learning sicherer im mehrstufigen Werkzeuggebrauch macht, indem es schädliches Verhalten signifikant reduziert und gleichzeitig die Leistung bei harmlosen Aufgaben erhält.
Diese Studie untersucht die Robustheit von Contrastive Steering bei LLMs gegenüber Datenkorruption und zeigt, dass der Austausch der herkömmlichen Mittelwertberechnung durch einen robusten Schätzer die meisten negativen Auswirkungen böswilliger Manipulationen wirksam verhindert.
Die vorgestellte Arbeit führt die „Density-Guided Response Optimization" (DGRO) ein, eine Methode, die Sprachmodelle durch die Analyse impliziter Akzeptanzsignale und der daraus resultierenden geometrischen Dichtestrukturen im Repräsentationsraum an die Normen spezifischer Online-Communities anpasst, ohne dabei auf explizite Präferenzlabels angewiesen zu sein.
Die Studie zeigt, dass ein von Lernprogressionen abgeleiteter automatischer Rubrik-Ansatz für KI-gestütztes Feedback in der Chemie vergleichbare Qualitätsmerkmale wie von Experten erstellte, aufgabenspezifische Rubriken liefert und somit eine skalierbare Alternative darstellt.
Dieser Beitrag untersucht die durch Large Language Models verursachten Herausforderungen wie Halluzinationen und gezielte Desinformation und skizziert notwendige technologische, regulatorische und bildungspolitische Maßnahmen, um die Verlässlichkeit von Informationen im Zeitalter der generativen KI zu gewährleisten.
Diese Arbeit bewertet das Potenzial von ChatGPT als quantitativer Co-Pilot für Datenwissenschafts-Workflows, indem sie dessen Fähigkeiten in den Bereichen Datenexploration, Visualisierung sowie überwachtes und unüberwachtes Modellieren untersucht und dabei sowohl die Stärken als auch die Grenzen des Tools beleuchtet.
Diese Übersichtsarbeit bietet eine umfassende Analyse des aktuellen Forschungsstands zur Verwendung von Large-Language-Model-Agenten im Finanzhandel, indem sie deren Architekturen, Eingabedaten, Backtesting-Ergebnisse und Herausforderungen zusammenfasst sowie zukünftige Forschungsrichtungen aufzeigt.
Die Arbeit stellt SynthKG und Distill-SynthKG vor, eine Pipeline zur synthetischen Datengenerierung und Modell-Distillation, die durch das Feinabstimmen kleinerer Modelle hochwertige Dokumenten-Wissensgraphen erzeugt und damit sowohl die Qualität als auch die Effizienz von Wissensgraphen-Konstruktion und Retrieval-Aufgaben im Vergleich zu größeren Baseline-Modellen signifikant verbessert.
Diese Arbeit stellt neue Aktivierungsfunktionen auf Basis orthogonaler Polynome, trigonometrischer Funktionen und tropischer Algebra vor, die durch varianzausgleichende Initialisierung das Training tiefer Modelle wie GPT-2 und ConvNeXt ohne Gradientenprobleme ermöglichen und sich zudem durch Hermite-Interpolation nahtlos zur Feinabstimmung an klassische Aktivierungen anpassen lassen.